(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211112504.3 (22)申请日 2022.09.13 (71)申请人 西安交通大 学 地址 710049 陕西省西安市咸宁西路28号 (72)发明人 王诗彬　覃赋华　安波涛　赵志斌　 丁宝庆　孙闯　严如强　陈雪峰　 (74)专利代理 机构 北京中济纬天专利代理有限 公司 11429 专利代理师 覃婧婵 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 119/10(2020.01) (54)发明名称 基于多尺度成分 分析的机 械故障诊断方法 (57)摘要 本发明公开了一种基于多尺度成分分析的 机械故障诊断方法， 方法包括以下步骤： 采集多 种故障类型的机械振动信号y； 建立多尺度成分 分析模型， 对信号多尺度特征进行解耦提取， 得 到各尺度深层稀疏编码γm， L； 利用迭代阈值收缩 算法求解建立的多尺度成分分析模 型， 并将优化 求解算法展开为多尺度成分分析网络， 拼接多尺 度编码为 将其输入后续的池化层与多层感知 机作为分类器hθ， 完成故障智 能诊断网络的搭 建； 使用带故障标签的训练样 本端到端地训练网 络模型， 利用反向传播技术学习网络模型参数； 将测试信号输入网络中， 通过输出预测标签 实 现故障诊断； 对输入信号的重构信号 的整体特 征和网络 学习到的原子特征进行可视化， 完成事 后可解释性分析。 权利要求书3页 说明书11页 附图8页 CN 115391955 A 2022.11.25 CN 115391955 A 1.一种基于多尺度成分 分析的机 械故障诊断方法， 所述方法包括以下步骤： 第一步骤(S1)中， 采集机械设备在多种故障类型以及正常状态下的机械振动信号y， 并 将其按照固定信号长度划分为相互不重叠的预定比例的训练数据集Ytrain和测试数据集 Ytest， 其中， 故障类型包括裂纹和磨损， 训练数据集Ytrain与测试数据集Ytest均带有故障标 签； 第二步骤(S2)中， 建立多尺度成分分析模型， 对机械振动信号y的多尺度特征进行解耦 提取得到各尺度的深层稀疏编码γm， L； 第三步骤(S3)中， 基于深层稀疏编码γm， L利用迭代阈值收缩算法求解所述多尺度成分 分析模型， 并将优化求解算法展开为多尺度成分分析网络， 拼接多尺度编码为 在编码网 络后连接池化层与多层感知机作为分类 器， 搭建故障诊断网络， 输出信号的预测标签； 第四步骤(S4)中， 通过设定固定的循环次数， 将所述训练数据集Ytrain输入所述故障诊 断网络进行训练， 利用反向传播技术学习故障诊断网络参数， 降低预测标签与故障标签的 差距； 第五步骤(S5)中， 将所述测试数据集Ytest输入训练好的所述故障诊断网络中， 通过输 出 预测标签进行故障诊断。 2.根据权利要求1所述的方法， 其中， 优选的， 第一步骤(S1)中， 所述机械振动信号 分解为y＝x+ε， 其中， 为特征信号， 为噪声干扰， N为信号长度， 机 械振动信号通过加速度传感器采集， 训练数据集Ytrain包括时域训练样本， 测试数据集Ytest 包括时域测试样本 。 3.根据权利要求1所述的方法， 其中， 第二 步骤(S2)中， 所述多尺度成分 分析模型为： 其中， 表示各尺度的最深层稀疏编 码， L为编 码层数， M为分析的尺度的维数； y表示输入的含噪信号； Dm， l为第m尺度的第l层的卷积编码字典， Dm， (l， L)＝Dm， lDm， l+1…Dm， L表 示第m尺度从第l层到最深的第L层的卷积编码字典相乘得到的等效卷积字典； γm， l＝ Dm， (l+1， L)γm， L表示第m尺度的第l层的稀 疏编码； 第一项为数据保真项， 保证能够从各尺度编 码重构输入信号； 其余两项为稀疏正则项， 使各尺度的各级编码为稀疏的； 为权衡不同项的贡献的权重参数， 为了简便起见， 这里设Dm， (L， L)＝Dm， L， 表示L2范数的平 方； ||·||1表示L1范数， 所述多尺度成分分析模型 中， 第一项为数据保真项， 保证从各尺度 的深层稀疏编码 通过各层编码字典重构输入信号y的特征； 其余项为保证各尺度各层 编码均为稀疏的稀疏正则项。 4.根据权利要求3所述的方法， 其中， 每一尺度中各层编码字典与编码及上一层编码之 间满足以下关系：权　利　要　求　书 1/3 页 2 CN 115391955 A 2其中， 表示第m尺度的各层的稀疏编码， L为编码层数； xm＝γm， 0表示第m尺度 的理想的特征信号分量， 代表第0层的稀疏编码； 为第m尺度的各层的卷积编码 字典； 为第m尺度的各层的稀疏度约束常量。 5.根据权利要求3所述的方法， 其中， 编码字典 为卷积字典， 其中， 为由长度为nm， l的第 j个卷积核沿列方向平移构成的循环矩阵， j＝1， 2， ...， mi， 这里平移的步幅为1， cl为卷积核 的个数。 6.根据权利要求1所述的方法， 其中， 第三步骤(S3)中， 所述多尺度成分分析模型的迭 代阈值收缩求 解算法为： 初始化各尺度各层稀疏编码 对于 对于每次迭代k ＝0， 1， ...， K， 对于每 个尺度m＝0， 1， . ..， M， 计算该尺度的最外层输入： 之后依次求 解各层i＝0， 1， ...， L的编码值， 求 解公式如下： 其中， I为与 同维度的单位矩阵； SoftT(·)为 软阈值函数， 其表达式为SoftT(·)＝max(|·|‑T， 0)*sign( ·)， sign(·)为符号函数， T为 阈值， 在第m尺度第l层中， T＝δm， l＝μm， lλm， l， μm， l为近端梯度映射算法每一步迭代的步长， λm， l为数据保真项与稀疏正则项间的权衡参数； 输出各尺度最深层稀疏表示系数 7.根据权利 要求6所述的方法， 其中， 在多尺度成分分析模型中， 编码字典Dm， l与向量相权　利　要　求　书 2/3 页 3 CN 115391955 A 3